text-embedding-ada-002 é o modelo de embeddings de texto da OpenAI para representar material escrito como um vetor numérico. A sua saída contém 1536 componentes. O fabricante combina similaridade textual, pesquisa de documentos/consultas e pesquisa de código numa representação. O resultado são dados para comparação ou outro algoritmo, em vez de uma resposta gerada ao texto cujo embedding é produzido.
Para pesquisa semântica, prepare passagens documentais significativas e conserve os seus identificadores de origem. Um fluxo ilustrativo gera embeddings de cada passagem e da pergunta do utilizador com o mesmo modelo, compara os vetores e devolve as passagens de origem relevantes. A aplicação determina a regra de recuperação, os filtros e a apresentação. Uma etapa posterior de geração de texto pode utilizar o material recuperado para desenvolver uma resposta, enquanto o modelo de embeddings fornece a representação numérica.
Outras utilizações documentadas incluem agrupar registos semelhantes, recomendar conteúdo relacionado, classificar texto e identificar valores atípicos. Para uma recomendação, compare descrições dos objetos cuja relação importa. Para classificação, o guia descreve comparação com representações de categorias ou utilização de vetores como características num classificador. Para deteção de anomalias, o resultado relevante é um registo que difere da coleção circundante, interpretado de acordo com a tarefa do produto.
A OpenAI indica um máximo de entrada de 8192 tokens para este modelo. A API de embeddings do produtor aceita cadeias de texto ou entrada tokenizada, permite várias entradas num pedido e rejeita cadeias vazias. O seu limite agregado é de 300 000 tokens num único pedido, além do limite por entrada. Divida documentos mais longos em passagens úteis, preservando os títulos, as definições e a referência ao material original.
A saída é um vetor de valores de vírgula flutuante; o produtor também documenta base64 como codificação alternativa de transporte. O parâmetro da OpenAI para encurtar dimensões destina-se a modelos de embeddings de terceira geração e posteriores, pelo que o resultado documentado de 1536 dimensões do modelo Ada se mantém distinto desse controlo. Guarde a identidade do modelo e o vetor com o registo de origem, para que comparações posteriores utilizem uma representação consistente.
O guia de embeddings recomenda similaridade do cosseno e indica que os embeddings da OpenAI são normalizados para comprimento unitário. Para esses vetores, um produto escalar pode calcular a similaridade do cosseno e a distância euclidiana produz a mesma ordenação. Uma pontuação de similaridade faz parte da lógica de recuperação ou classificação da aplicação, não é uma decisão categórica fornecida automaticamente pelo modelo.
Defina que campos de origem se tornam texto de entrada e como as passagens devem ser divididas. Um resultado ilustrativo é um conjunto ordenado de passagens documentais ou registos relacionados, cada um ligado à sua fonte original e à regra utilizada para seleção. Mantenha a preparação consistente e avalie se o material devolvido responde à pergunta real. Isto torna a saída numérica útil para a próxima etapa de pesquisa, recomendação ou análise.
", "aboutText": "text-embedding-ada-002 é o modelo de embeddings de texto da OpenAI para representar material escrito como um vetor numérico. A sua saída contém 1536 componentes. O fabricante combina similaridade textual, pesquisa de documentos/consultas e pesquisa de código numa representação. O resultado são dados para comparação ou outro algoritmo, em vez de uma resposta gerada ao texto cujo embedding é produzido.\n\nPara pesquisa semântica, prepare passagens documentais significativas e conserve os seus identificadores de origem. Um fluxo ilustrativo gera embeddings de cada passagem e da pergunta do utilizador com o mesmo modelo, compara os vetores e devolve as passagens de origem relevantes. A aplicação determina a regra de recuperação, os filtros e a apresentação. Uma etapa posterior de geração de texto pode utilizar o material recuperado para desenvolver uma resposta, enquanto o modelo de embeddings fornece a representação numérica.\n\nOutras utilizações documentadas incluem agrupar registos semelhantes, recomendar conteúdo relacionado, classificar texto e identificar valores atípicos. Para uma recomendação, compare descrições dos objetos cuja relação importa. Para classificação, o guia descreve comparação com representações de categorias ou utilização de vetores como características num classificador. Para deteção de anomalias, o resultado relevante é um registo que difere da coleção circundante, interpretado de acordo com a tarefa do produto.\n\nA OpenAI indica um máximo de entrada de 8192 tokens para este modelo. A API de embeddings do produtor aceita cadeias de texto ou entrada tokenizada, permite várias entradas num pedido e rejeita cadeias vazias. O seu limite agregado é de 300 000 tokens num único pedido, além do limite por entrada. Divida documentos mais longos em passagens úteis, preservando os títulos, as definições e a referência ao material original.\n\nA saída é um vetor de valores de vírgula flutuante; o produtor também documenta base64 como codificação alternativa de transporte. O parâmetro da OpenAI para encurtar dimensões destina-se a modelos de embeddings de terceira geração e posteriores, pelo que o resultado documentado de 1536 dimensões do modelo Ada se mantém distinto desse controlo. Guarde a identidade do modelo e o vetor com o registo de origem, para que comparações posteriores utilizem uma representação consistente.\n\nO guia de embeddings recomenda similaridade do cosseno e indica que os embeddings da OpenAI são normalizados para comprimento unitário. Para esses vetores, um produto escalar pode calcular a similaridade do cosseno e a distância euclidiana produz a mesma ordenação. Uma pontuação de similaridade faz parte da lógica de recuperação ou classificação da aplicação, não é uma decisão categórica fornecida automaticamente pelo modelo.\n\nDefina que campos de origem se tornam texto de entrada e como as passagens devem ser divididas. Um resultado ilustrativo é um conjunto ordenado de passagens documentais ou registos relacionados, cada um ligado à sua fonte original e à regra utilizada para seleção. Mantenha a preparação consistente e avalie se o material devolvido responde à pergunta real. Isto torna a saída numérica útil para a próxima etapa de pesquisa, recomendação ou análise.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a49822bf747e865b0a36fb49ba22f7f1b7cf879f2c95e84f569cc9790ec1595d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "openai/text-embedding-ada-002Um modelo de embeddings de texto da OpenAI que devolve um vetor numérico de 1536 dimensões. Utilize essas representações para pesquisa semântica, recomendações de conteúdo relacionado, agrupamento, classificação ou deteção de registos textuais invulgares.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
text-embedding-ada-002 é o modelo de embeddings de texto da OpenAI para representar material escrito como um vetor numérico. A sua saída contém 1536 componentes. O fabricante combina similaridade textual, pesquisa de documentos/consultas e pesquisa de código numa representação. O resultado são dados para comparação ou outro algoritmo, em vez de uma resposta gerada ao texto cujo embedding é produzido.
Para pesquisa semântica, prepare passagens documentais significativas e conserve os seus identificadores de origem. Um fluxo ilustrativo gera embeddings de cada passagem e da pergunta do utilizador com o mesmo modelo, compara os vetores e devolve as passagens de origem relevantes. A aplicação determina a regra de recuperação, os filtros e a apresentação. Uma etapa posterior de geração de texto pode utilizar o material recuperado para desenvolver uma resposta, enquanto o modelo de embeddings fornece a representação numérica.
Outras utilizações documentadas incluem agrupar registos semelhantes, recomendar conteúdo relacionado, classificar texto e identificar valores atípicos. Para uma recomendação, compare descrições dos objetos cuja relação importa. Para classificação, o guia descreve comparação com representações de categorias ou utilização de vetores como características num classificador. Para deteção de anomalias, o resultado relevante é um registo que difere da coleção circundante, interpretado de acordo com a tarefa do produto.
A OpenAI indica um máximo de entrada de 8192 tokens para este modelo. A API de embeddings do produtor aceita cadeias de texto ou entrada tokenizada, permite várias entradas num pedido e rejeita cadeias vazias. O seu limite agregado é de 300 000 tokens num único pedido, além do limite por entrada. Divida documentos mais longos em passagens úteis, preservando os títulos, as definições e a referência ao material original.
A saída é um vetor de valores de vírgula flutuante; o produtor também documenta base64 como codificação alternativa de transporte. O parâmetro da OpenAI para encurtar dimensões destina-se a modelos de embeddings de terceira geração e posteriores, pelo que o resultado documentado de 1536 dimensões do modelo Ada se mantém distinto desse controlo. Guarde a identidade do modelo e o vetor com o registo de origem, para que comparações posteriores utilizem uma representação consistente.
O guia de embeddings recomenda similaridade do cosseno e indica que os embeddings da OpenAI são normalizados para comprimento unitário. Para esses vetores, um produto escalar pode calcular a similaridade do cosseno e a distância euclidiana produz a mesma ordenação. Uma pontuação de similaridade faz parte da lógica de recuperação ou classificação da aplicação, não é uma decisão categórica fornecida automaticamente pelo modelo.
Defina que campos de origem se tornam texto de entrada e como as passagens devem ser divididas. Um resultado ilustrativo é um conjunto ordenado de passagens documentais ou registos relacionados, cada um ligado à sua fonte original e à regra utilizada para seleção. Mantenha a preparação consistente e avalie se o material devolvido responde à pergunta real. Isto torna a saída numérica útil para a próxima etapa de pesquisa, recomendação ou análise.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/text-embedding-ada-002 | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato8192 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/text-embedding-ada-002", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='openai/text-embedding-ada-002',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Use os caminhos dos métodos indicados acima.
text-embedding-ada-002Um modelo de embeddings de texto da OpenAI que devolve um vetor numérico de 1536 dimensões. Utilize essas representações para pesquisa semântica, recomendações de conteúdo relacionado, agrupamento, classificação ou deteção de registos textuais invulgares.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
text-embedding-ada-002 é o modelo de embeddings de texto da OpenAI para representar material escrito como um vetor numérico. A sua saída contém 1536 componentes. O fabricante combina similaridade textual, pesquisa de documentos/consultas e pesquisa de código numa representação. O resultado são dados para comparação ou outro algoritmo, em vez de uma resposta gerada ao texto cujo embedding é produzido.
Para pesquisa semântica, prepare passagens documentais significativas e conserve os seus identificadores de origem. Um fluxo ilustrativo gera embeddings de cada passagem e da pergunta do utilizador com o mesmo modelo, compara os vetores e devolve as passagens de origem relevantes. A aplicação determina a regra de recuperação, os filtros e a apresentação. Uma etapa posterior de geração de texto pode utilizar o material recuperado para desenvolver uma resposta, enquanto o modelo de embeddings fornece a representação numérica.
Outras utilizações documentadas incluem agrupar registos semelhantes, recomendar conteúdo relacionado, classificar texto e identificar valores atípicos. Para uma recomendação, compare descrições dos objetos cuja relação importa. Para classificação, o guia descreve comparação com representações de categorias ou utilização de vetores como características num classificador. Para deteção de anomalias, o resultado relevante é um registo que difere da coleção circundante, interpretado de acordo com a tarefa do produto.
A OpenAI indica um máximo de entrada de 8192 tokens para este modelo. A API de embeddings do produtor aceita cadeias de texto ou entrada tokenizada, permite várias entradas num pedido e rejeita cadeias vazias. O seu limite agregado é de 300 000 tokens num único pedido, além do limite por entrada. Divida documentos mais longos em passagens úteis, preservando os títulos, as definições e a referência ao material original.
A saída é um vetor de valores de vírgula flutuante; o produtor também documenta base64 como codificação alternativa de transporte. O parâmetro da OpenAI para encurtar dimensões destina-se a modelos de embeddings de terceira geração e posteriores, pelo que o resultado documentado de 1536 dimensões do modelo Ada se mantém distinto desse controlo. Guarde a identidade do modelo e o vetor com o registo de origem, para que comparações posteriores utilizem uma representação consistente.
O guia de embeddings recomenda similaridade do cosseno e indica que os embeddings da OpenAI são normalizados para comprimento unitário. Para esses vetores, um produto escalar pode calcular a similaridade do cosseno e a distância euclidiana produz a mesma ordenação. Uma pontuação de similaridade faz parte da lógica de recuperação ou classificação da aplicação, não é uma decisão categórica fornecida automaticamente pelo modelo.
Defina que campos de origem se tornam texto de entrada e como as passagens devem ser divididas. Um resultado ilustrativo é um conjunto ordenado de passagens documentais ou registos relacionados, cada um ligado à sua fonte original e à regra utilizada para seleção. Mantenha a preparação consistente e avalie se o material devolvido responde à pergunta real. Isto torna a saída numérica útil para a próxima etapa de pesquisa, recomendação ou análise.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites text-embedding-ada-002 | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato8192 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_json
Envie o ID exato do modelo e os campos obrigatórios.
Conserve todos os elementos devolvidos e os respetivos identificadores originais.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\njson
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os vetores de valores finitos com o respetivo índice original. Preserve todas as dimensões e o objeto completo de utilização.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Use os caminhos dos métodos indicados acima.